[논문 리뷰] From Efficiency Gains to Rebound Effects: The Problem of Jevons' Paradox in AI's Polarized Environmental Debate

Alexandra Sasha Luccioni, Emma Strubell외 1명|ArXiv.org|2025. 01. 27.

Energy, Environment, and Transportation Policies인용 수 4

한 줄 요약

이 논문은 AI의 환경 영향에 상당한 간접 반동 효과가 포함되어 있으므로 효율성 증대가 전체 소비를 증가시킬 수 있다고 주장한다; 이를 다루기 위해 다학제적 수명 주기 및 사회경제 분석을 옹호한다.

ABSTRACT

As the climate crisis deepens, artificial intelligence (AI) has emerged as a contested force: some champion its potential to advance renewable energy, materials discovery, and large-scale emissions monitoring, while others underscore its growing carbon footprint, water consumption, and material resource demands. Much of this debate has concentrated on direct impacts -- energy and water usage in data centers, e-waste from frequent hardware upgrades -- without addressing the significant indirect effects. This paper examines how the problem of Jevons' Paradox applies to AI, whereby efficiency gains may paradoxically spur increased consumption. We argue that understanding these second-order impacts requires an interdisciplinary approach, combining lifecycle assessments with socio-economic analyses. Rebound effects undermine the assumption that improved technical efficiency alone will ensure net reductions in environmental harm. Instead, the trajectory of AI's impact also hinges on business incentives and market logics, governance and policymaking, and broader social and cultural norms. We contend that a narrow focus on direct emissions misrepresents AI's true climate footprint, limiting the scope for meaningful interventions. We conclude with recommendations that address rebound effects and challenge the market-driven imperatives fueling uncontrolled AI growth. By broadening the analysis to include both direct and indirect consequences, we aim to inform a more comprehensive, evidence-based dialogue on AI's role in the climate crisis.

연구 동기 및 목표

• 직접 에너지 사용을 넘어서는 간접 및 반동 효과를 강조하여 더 세밀한 AI 기후 토론을 촉진한다.
• 수명 주기 평가, 경제학, 사회과학의 통찰을 종합하여 AI의 전체 환경 발자국을 모델링한다.
• AI 기술과 관련된 간접 환경 영향 및 반동 메커니즘의 분류체계를 개발한다.
• 반동 효과를 완화하고 정책 및 거버넌스에 영향을 미치기 위한 실행 가능한 권고안을 제시한다.

제안 방법

• 직접 배출 및 자원 사용을 포함한 AI 환경 영향에 관한 기존 문헌을 검토한다.
• Table 1 논의를 포함하여 AI를 위한 2차 ICT 환경 영향의 질적 분류체계를 적응·확장한다.
• 자원적 차원, 경제적 차원, 사회적 차원을 통해 AI 반동 효과를 개념화한다 (섹션 3.1–3.3).
• 수명 주기 평가와 사회경제 분석을 결합한 학제 간 접근법을 논의한다.
• 반동 효과를 다루기 위한 정책 및 거버넌스 권고안을 제시한다.

실험 결과

연구 질문

• RQ1 AI에 의해 직접 에너지 및 자원 사용을 넘어서는 간접적 환경 영향과 반동 효과는 무엇인가?
• RQ2 사회적, 경제적, 거버넌스 맥락은 AI의 기후 발자국을 어떻게 형성하는가?
• RQ3 물질적, 경제적, 사회적 영역에 걸친 AI 유발 반동 효과를 추적하고 완화하는 데 어떤 방법이 있는가?
• RQ4 체계적 반동 메커니즘을 다루어 AI의 총환경 피해를 줄일 수 있는 정책 방향은 무엇인가?

주요 결과

• AI의 직접적 효율성 향상이 반동 효과로 인해 전체 자원 사용 감소를 보장하지 않는다.
• AI의 간접 영향은 물질적, 경제적, 사회적 영역에 걸쳐 소비 패턴과 인프라 수요에 영향을 미친다.
• 데이터 센터, 하드웨어, 사용 패턴 등을 포함하여 AI의 전체 기후 발자국을 포착하기 위해 수명 주기 분석과 학제 간 분석이 필요하다.
• 반동 효과를 억제하고 필요한 경우 AI 성장을 억제하기 위해 시장 인센티브, 비즈니스 모델, 사회적 규범을 다루는 정책 및 거버넌스 전략이 필요하다.